Forderungsanalyse und Anfechtungsprüfung im Insolvenzrecht

Das echte Ausmaß des Problems

Für Insolvenzverwalter ist die Anfechtungsprüfung kein Nebenthema. Sie ist eines der wichtigsten Instrumente zur Massemehrung, und eines der zeitaufwendigsten. Wer ein Unternehmen mit zehn Jahren Geschichte abwickelt, sitzt auf einem Buchungsarchiv, das selbst gut organisierte Schuldner kaum überschaubar macht. Bei schlecht geführter Buchführung kommen unleserliche Kontoauszüge, fehlende Belege und Parallelkonten hinzu.

Die rechtliche Komplexität macht es schlimmer: Anfechtbare Transaktionen sind keine einfachen Ausreißer. Es sind Zahlungen, die bestimmte objektive Kriterien (Zeitraum, Vertragspartnertyp, Gegenleistung) mit subjektiven Elementen (Kenntnis der Zahlungsunfähigkeit oder des Benachteiligungsvorsatzes) verbinden, und die Kombination variiert je nach anwendbarer Norm. Die §§ 130, 131, 133, 134 und 135 InsO haben sehr unterschiedliche Rückblickzeiträume und sehr unterschiedliche Anforderungen an das Beweisbild. Was sie nicht unterschiedlich haben, ist die Verjährung: § 146 Abs. 1 InsO verweist für alle Anfechtungsansprüche einheitlich auf die regelmäßige Verjährung des BGB, also drei Jahre ab Schluss des Jahres, in dem der Anspruch entstanden ist und der Verwalter Kenntnis erlangt hat (§§ 195, 199 BGB). Eine frühere Fassung dieser Seite sprach von “unterschiedlichen Verjährungsfristen” je Norm, das ist falsch.

Wie groß der Datenbestand konkret ist, hängt am Schuldner und lässt sich nicht verallgemeinern. Eine frühere Fassung dieser Seite nannte hier “20.000 bis 100.000 Buchungszeilen”, “4 bis 8 Wochen manuelle Analyse” und eine Trefferquote manueller Prüfungen von “nur 60 bis 80 Prozent”, jeweils als Praxiserfahrung. Belegen lässt sich keine dieser Zahlen, und die Trefferquote schon gar nicht: Niemand kennt die Ansprüche, die bei einer manuellen Prüfung übersehen wurden, sonst wären sie ja nicht übersehen worden. Die Zahlen sind raus.

Was bleibt, ist ein Mechanismus, den du an deinem letzten Verfahren nachvollziehen kannst. Ein Anfechtungsmuster besteht aus der Kombination von Datum, Betrag, Vertragspartnertyp und Abweichung vom gewohnten Zahlungsrhythmus. Genau solche Kombinationen sind das, was beim zeilenweisen Lesen verschwindet. Jeder übersehene Anfechtungsanspruch ist direkt verlorene Insolvenzmasse, und nach § 60 InsO im Zweifel ein Haftungsthema für den Verwalter.

Mit vs. ohne KI, ein ehrlicher Vergleich

Zu den Zahlen in dieser Tabelle: Die Wochen-auf-Tage-Angabe ist eine Erwartung aus der Struktur der Aufgabe, keine Messung, und eine frühere Fassung dieser Seite hat sie mit Prozentwerten für Abdeckungsquoten garniert, die niemand erheben kann. Die einzige belegte Zahl ist die zur Forderungserfassung: Kanzleien, die das Modul getestet haben, berichteten laut Anbieter, “bis zu zwei Drittel ihrer Bearbeitungszeit bei der Forderungserfassung” eingespart zu haben. Das ist eine Anbieterangabe aus der Produktankündigung vom September 2024, gestützt auf Rückmeldungen von Testkanzleien, keine unabhängige Messung. Eine frühere Fassung dieser Seite machte daraus an einer Stelle “bis zu 60 Prozent” und an anderer “zwei Drittel”, zwei verschiedene Zahlen für dieselbe Quelle.

Einschätzung auf einen Blick

Zeitersparnis, sehr hoch (5/5) Hier ist die Insolvenzrechtspraxis der klare Ausreißer gegenüber anderen Rechtsgebieten: Statt Wochen manueller Buchhaltungsdurchsicht braucht eine gut konfigurierte KI-Pipeline für die Erstanalyse Tage. Eine belastbare Vorher-Nachher-Messung dafür gibt es nicht, der Größenordnungssprung folgt aber schon daraus, dass ein regelbasiertes System jede Zeile ansieht und ein Mensch das bei 67.000 Zeilen nicht tut. Das ist kein marginaler Gewinn, es ist ein struktureller Sprung, der es erst möglich macht, das Anfechtungspotenzial mehrerer laufender Verfahren parallel zu bearbeiten. In der Vertragsanalyse spart KI vielleicht eine Stunde pro Vertrag; hier spart sie Wochen pro Verfahren.

Kosteneinsparung, hoch (4/5) Der Kosteneffekt ist direkt und monetär: Jeder zusätzlich erkannte und erfolgreich geltend gemachte Anfechtungsanspruch fließt in die Insolvenzmasse. Das ist kein indirekter Effizienzgewinn, es ist zusätzliches Geld, das sonst einfach übersehen worden wäre. Die Kosteneinsparung bei der Forderungserfassung kommt hinzu. Nicht auf dem höchsten Rang, weil der juristische Aufwand für Anfechtungsklagen hoch bleibt und nicht jeder KI-Hinweis zu einer erfolgreichen Klage führt.

Schnelle Umsetzung, niedrig (2/5) Das ist die ehrlichste Zahl auf diesem Chart. Eine funktionsfähige Anfechtungsanalyse-Pipeline braucht: Buchhaltungsexport in auswertbarem Format, Mapping der Kontenstruktur auf InsO-Rechtskategorien, ein Freigabeprotokoll für die KI-Ersteinschätzung, und, wenn ein spezialisiertes Tool wie InsoHiwi genutzt wird, einen Einführungsprozess von 4–8 Wochen. Kanzleien ohne vorhandene digitale Buchhaltungsschnittstelle brauchen noch länger.

ROI-Sicherheit, hoch (4/5) Anfechtungserfolge sind direkt messbar: Ob eine Klage zur Rückzahlung führt oder nicht, steht schwarz auf weiß in der Massebuchung. Damit ist der Nutzen nachweisbarer als bei vielen anderen KI-Anwendungen im Recht. Einschränkung: Die KI liefert Ersteinschätzungen, keine Erfolgsgarantien. Ob ein Anfechtungsfall gerichtlich durchsetzbar ist, entscheidet der Anwalt, die KI erhöht die Trefferquote bei der Identifikation, nicht die Erfolgsquote bei der Klage.

Skalierbarkeit, mittel (3/5) Jedes Insolvenzverfahren bringt eine andere Buchführungsstruktur, andere Kontenrahmen, andere Datenqualität. Eine Pipeline, die perfekt für einen DATEV-Export eines Handelsunternehmens konfiguriert ist, muss für einen Produktionsbetrieb mit SAP-Finanzbuchhaltung angepasst werden. Das begrenzt die Skalierbarkeit: Man kann Lernkurven zwischen Verfahren nutzen, aber kein System einmalig aufsetzen und dann beliebig anwenden.

Richtwerte, stark abhängig von Verfahrensgröße, Buchführungsqualität des Schuldners und gewähltem Toolansatz.

Was die KI im Anfechtungsrecht prüfen muss

Bevor du ein Tool auswählst oder konfigurierst: Hier ist das juristische Substrat, das die KI abbilden muss. Wer diesen Teil überspringt, konfiguriert an der falschen Stelle.

Die Insolvenzanfechtung nach §§ 129 ff. InsO erlaubt dem Insolvenzverwalter, bestimmte Rechtshandlungen vor Verfahrenseröffnung rückgängig zu machen. Für eine KI-gestützte Analyse sind fünf Normtypen relevant, mit sehr unterschiedlichen Prüfanforderungen:

Vorweg zur Fristberechnung: Alle Fristen der §§ 130 bis 136 InsO beginnen nach § 139 Abs. 1 InsO mit dem Anfang des Tages, der durch seine Zahl dem Tag entspricht, an dem der Eröffnungsantrag beim Insolvenzgericht eingegangen ist. Maßgeblich ist der Antragseingang, nicht der Eröffnungsbeschluss.

§ 130 InsO, Kongruente Deckung (drei Monate) Achtung, hier stand in einer früheren Fassung dieser Seite gleich zweimal etwas Falsches. Die Frist beträgt drei Monate, nicht 90 Tage, und der Unterschied ist je nach Monatslänge real. Und die Voraussetzungen sind kumulativ, nicht alternativ: Anfechtbar ist eine Deckungshandlung nach § 130 Abs. 1 Nr. 1 InsO, wenn sie in den letzten drei Monaten vor dem Eröffnungsantrag vorgenommen wurde und der Schuldner zu dieser Zeit zahlungsunfähig war und der Gläubiger die Zahlungsunfähigkeit kannte. Eine frühere Fassung dieser Seite verband die letzten beiden mit einem “oder”, das macht aus einem engen Tatbestand einen viel zu weiten. Nach Nr. 2 genügt auch eine Handlung nach dem Eröffnungsantrag, wenn der Gläubiger die Zahlungsunfähigkeit oder den Antrag kannte. Und § 130 Abs. 3 InsO enthält die für die Datenanalyse wichtigste Regel: Gegenüber einer nahestehenden Person (§ 138 InsO) wird die Kenntnis vermutet. Die KI muss also alle Zahlungen im Dreimonatsfenster extrahieren, den Zeitpunkt der Zahlungsunfähigkeit aus Liquiditätskennzahlen plausibilisieren, und nahestehende Personen gesondert markieren, weil dort die Beweislast kippt.

§ 131 InsO, Inkongruente Deckung (gestaffelt über drei Monate) Inkongruent heißt: Der Gläubiger hatte die Sicherung oder Befriedigung nicht, nicht in dieser Art oder nicht zu dieser Zeit zu beanspruchen. Typisch sind unübliche Zahlungsmittel, vorzeitige Zahlung oder eine Sicherheitenbestellung, auf die kein Anspruch bestand. Die Frist ist aber nicht pauschal, sondern dreistufig, und auch das war hier falsch dargestellt:

• Im letzten Monat vor dem Eröffnungsantrag oder danach: anfechtbar ohne jede weitere Voraussetzung (§ 131 Abs. 1 Nr. 1 InsO)
• Im zweiten oder dritten Monat davor: nur, wenn der Schuldner zur Zeit der Handlung zahlungsunfähig war (Nr. 2)
• Im zweiten oder dritten Monat davor: oder wenn dem Gläubiger bekannt war, dass die Handlung die Insolvenzgläubiger benachteiligte (Nr. 3)

Auch hier gilt nach § 131 Abs. 2 Satz 2 InsO die Vermutung zulasten nahestehender Personen. Für KI sind diese Fälle gut erkennbar, weil sie formale Muster aufweisen: Zahlungen außerhalb gewohnter Rhythmen, neue Sicherungsvereinbarungen kurz vor Antrag.

§ 133 InsO, Vorsatzanfechtung (zehn Jahre, bei kongruenter Deckung vier) Der anspruchsvollste Tatbestand. Anfechtbar ist nach § 133 Abs. 1 Satz 1 InsO eine Rechtshandlung, die der Schuldner in den letzten zehn Jahren vor dem Eröffnungsantrag mit dem Vorsatz vorgenommen hat, seine Gläubiger zu benachteiligen, wenn der andere Teil diesen Vorsatz kannte. Die zehn Jahre stehen im Gesetz, nicht in der BGH-Rechtsprechung, wie eine frühere Fassung dieser Seite behauptete. Verkürzt auf vier Jahre ist der Zeitraum nach § 133 Abs. 2 InsO nur dann, wenn die Handlung dem anderen Teil eine Sicherung oder Befriedigung gewährt hat, die dieser beanspruchen konnte, also bei kongruenter Deckung. Für nahestehende Personen enthält Abs. 4 eine eigene Regel mit einer Zweijahresgrenze für entgeltliche Verträge. KI kann hier Indizien liefern: Gläubiger, die nach Beginn von Zahlungsstockungen noch Vollzahlungen erhielten, während andere leer ausgingen, außergewöhnlich hohe Einzelzahlungen an nahe Gläubiger, Druckszenarien.

§ 134 InsO, Unentgeltliche Leistungen (vier Jahre) Eine unentgeltliche Leistung des Schuldners ist anfechtbar, es sei denn, sie wurde früher als vier Jahre vor dem Eröffnungsantrag vorgenommen. Klassisch bei nahestehenden Personen, Familienangehörigen und karitativen Zuwendungen. Die KI erkennt: Überweisungen an Privatpersonen, Buchungen ohne Rechnungsgrundlage, Zahlungen ohne erkennbare Gegenleistung.

§ 135 InsO, Gesellschafterdarlehen (ein Jahr für Befriedigung, zehn Jahre für Sicherung) Hier ist die frühere Fassung dieser Seite an zwei Stellen ungenau gewesen. § 135 InsO betrifft Rechtshandlungen für die Forderung eines Gesellschafters auf Rückgewähr eines Darlehens im Sinne des § 39 Abs. 1 Nr. 5 InsO oder eine gleichgestellte Forderung, nicht Zahlungen an nahestehende Personen allgemein. Und die Frist ist zweigeteilt: Eine Befriedigung, also die Rückzahlung, ist anfechtbar, wenn sie im letzten Jahr vor dem Eröffnungsantrag erfolgte (Nr. 2). Eine Sicherung dagegen ist anfechtbar, wenn sie in den letzten zehn Jahren bestellt wurde (Nr. 1). Wer nur das Jahresfenster prüft, übersieht die Sicherheitenbestellung, und die ist oft der größere Posten. Für KI ist der Tatbestand gut zugänglich: Wenn die Buchführung Gesellschafter als Vertragspartner ausweist, sind diese Vorgänge eindeutig identifizierbar.

Wichtige Ausnahme: § 142 InsO (Bargeschäft) Eine Leistung des Schuldners, für die unmittelbar eine gleichwertige Gegenleistung in sein Vermögen gelangt, ist nur anfechtbar, wenn zusätzlich die Voraussetzungen des § 133 Abs. 1 bis 3 InsO vorliegen und der andere Teil erkannt hat, dass der Schuldner unlauter handelte. Unmittelbar ist der Austausch nach Abs. 2, wenn er nach Art der Leistungen und den Gepflogenheiten des Geschäftsverkehrs in engem zeitlichen Zusammenhang erfolgt; beim Arbeitsentgelt genügt ein Zeitraum von bis zu drei Monaten zwischen Arbeitsleistung und Zahlung. Eine gute KI-Konfiguration muss diese Ausnahme aktiv berücksichtigen, sonst produziert sie Fehlalarme bei jeder Lieferanten- und Lohnzahlung.

Und der andere Hauptprozess: § 174 InsO, Forderungsanmeldung Die Anfechtung ist nur die eine Hälfte der Massearbeit, die Gläubigerseite ist die andere. Gläubiger melden ihre Forderungen nach § 174 Abs. 1 InsO schriftlich beim Insolvenzverwalter an, unter Angabe von Grund und Betrag (Abs. 2) sowie der Tatsachen, aus denen sich eine vorsätzlich begangene unerlaubte Handlung ergibt. Nachrangige Gläubiger melden nur an, wenn das Gericht dazu besonders auffordert (Abs. 3). Die Anmeldefrist setzt das Gericht im Eröffnungsbeschluss fest, und § 28 Abs. 1 Satz 2 InsO gibt den Rahmen vor: mindestens zwei Wochen, höchstens drei Monate. Diese Frist ist keine Ausschlussfrist, verspätete Anmeldungen werden nach § 177 InsO nachträglich geprüft, verursachen aber zusätzlichen Aufwand und Kosten. Genau an dieser Stelle setzt die KI-Unterstützung für die Forderungserfassung an, dazu unten mehr.

Die KI muss also nicht “irgendetwas Verdächtiges” finden, sondern spezifische Rechtslogik auf strukturierte Daten anwenden. Das unterscheidet diese Aufgabe von allgemeiner Dokumentenanalyse, und es erklärt, warum Allzweck-LLMs ohne juristische Konfiguration hier schlechte Ergebnisse liefern.

Was die KI-gestützte Analyse konkret macht

Ein typischer Workflow mit KI-Unterstützung sieht so aus:

Schritt 1: Datenbeschaffung und -aufbereitung. Aus dem Buchführungssystem des Schuldners (DATEV, SAP, Diamant, o. Ä.) wird ein strukturierter Export erstellt, mit Datum, Betrag, Gegenkonto-Name und Buchungstext. Als Zeitraum reicht der längste einschlägige Rückblick, also zehn Jahre wegen § 133 Abs. 1 und § 135 Abs. 1 Nr. 1 InsO. Wenn der Schuldner keine zehn Jahre alt ist oder die Bestandsdaten nicht so weit zurückreichen, halte ausdrücklich fest, welche Tatbestände damit nicht abschließend geprüft werden konnten. Kontoauszüge ergänzen als zweite Quelle. Die Datenqualität an dieser Stelle entscheidet über alles Weitere.

Schritt 2: Klassifizierung der Vertragspartner. Die KI gruppiert alle Buchungsgegenstellen: Wer ist nahestehende Person (§ 138 InsO), wer ist Gesellschafter, wer ist Hauptgläubiger, wer ist Hausbank? Diese Klassifizierung ist der kritische Schritt, sie bestimmt, welche Anfechtungsnorm überhaupt anwendbar ist.

Schritt 3: Regelbasierte Markierungslogik. Für jede Normkategorie (§§ 130, 131, 133, 134, 135) werden die spezifischen Muster geprüft: Zahlungsdatum relativ zum Insolvenzantrag, Betrag, Vertragspartnertyp, Zahlungsrhythmus (Abweichung von Vorperiode?), Vorhandensein einer erkennbaren Gegenleistung.

Schritt 4: Priorisierung und Berichterstellung. Die markierten Transaktionen werden nach Anfechtungspotenzial und Betrag priorisiert. Ein LLM formuliert für die priorisierten Fälle eine rechtliche Erstbegründung, welche Tatbestandsmerkmale aus dem Datenbild erfüllt erscheinen, welche noch ermittelt werden müssen.

Schritt 5: Juristische Prüfung und Entscheidung. Der Insolvenzverwalter oder die Fachanwältin prüft die KI-Ersteinschätzungen, ergänzt fehlende Sachverhalte (Gläubigerkenntnis, wirtschaftliche Hintergründe), trifft die Klagenentscheidung.

Die KI übernimmt Schritte 1–4. Schritt 5 bleibt immer beim Juristen, und das aus gutem Grund.

Konkrete Werkzeuge, was wann passt

InsoHiwi (bbai GmbH), Spezialisierte forensische KI für Insolvenzverfahren Die einzige uns bekannte Software, die den gesamten Anfechtungsprüfworkflow mit InsO-spezifischer Rechtslogik abbildet: Dokumentenklassifizierung, Transaktionsindizierung, Ersteinschätzung nach §§ 130 bis 135 InsO auf Basis der BGH-Rechtsprechung. Deutsches Hosting, ausdrückliche Zusicherung, dass Mandantendaten nicht für KI-Training genutzt werden. Zwei Nutzungsmodelle: Plattform-Abonnement mit unbegrenzten Verfahren und Nutzern, oder On-Demand-Analyse pro Einzelverfahren mit Lieferung innerhalb von 24 Stunden. Preise nennt der Anbieter nicht öffentlich. Einschränkung, die man kennen sollte: neuerer Anbieter, öffentlich verfügbare Referenzen sind noch im Aufbau.

Winsolvenz mit Legal Twin , Für die Forderungserfassung Wer bereits Winsolvenz als Kanzleisoftware nutzt, bekommt mit dem Legal-Twin-Modul Forderungserfassung eine direkte KI-Erweiterung. OCR und Sprachmodell lesen eingehende Forderungsanmeldungen aus und übertragen strukturierte Daten zur menschlichen Prüfung in Winsolvenz-Felder. Das adressiert nicht die Anfechtungsanalyse, sondern den anderen Hauptprozess, die Gläubigerprüfung nach § 174 InsO. Der Anbieter nennt als Ergebnis von Testkanzleien bis zu zwei Drittel weniger Bearbeitungszeit (Produktankündigung September 2024). Namenshinweis: Das Modul wurde als “AI Smart Claims” eingeführt und wird inzwischen als Legal-Twin-Modul Forderungserfassung geführt; unter dem alten Namen findest du noch die Pressemeldungen. Nur für bestehende Winsolvenz-Nutzer sinnvoll, Lizenzpreise auf Anfrage.

Julius AI , Für CSV-Auswertung ohne Spezialsoftware Wenn kein spezialisiertes Tool verfügbar oder das Verfahren zu klein ist, kann Julius AI den Buchhaltungsexport auswerten: Alle Buchungen hochladen, nach Zeitraum, Betrag und Vertragspartner filtern, auffällige Muster herausarbeiten. Kein InsO-Rechtswissen eingebaut, die rechtliche Einordnung bleibt komplett beim Anwalt. US-Hosting: für Insolvenzdaten, die personenbezogene Daten enthalten, nicht unbedingt DSGVO-konform. Freemium ab 0 EUR, Plus 20 USD/Monat.

Claude (über AWS Bedrock oder Enterprise), Für Begründungsentwürfe und Textanalyse Mit einem Kontextfenster von bis zu 1 Million Tokens bei den aktuellen Modellen (200.000 bei Haiku 4.5) kann Claude ganze Kontoauszüge oder Buchhaltungsberichte am Stück analysieren und zu markierten Transaktionen Begründungsentwürfe für Anfechtungsschreiben generieren. Wichtig: Claude ist kein InsO-Jurist, es braucht einen detaillierten System-Prompt mit den Tatbestandsmerkmalen der relevanten Normen. Für DSGVO-konforme Nutzung: Claude über AWS Bedrock Frankfurt oder Google Vertex AI EU, nicht die Consumer-App claude.ai. Über Bedrock und Vertex wird nach Tokenverbrauch abgerechnet. Das Pro-Abo für 20 US-Dollar im Monat ist die Consumer-App und taugt nur für Tests mit erfundenen oder vollständig anonymisierten Daten.

Zusammenfassung: Wann welcher Ansatz

• Portfolio von 10+ aktiven Verfahren, Vollintegration in InsO-Workflow → InsoHiwi
• Winsolvenz-Nutzer, Schwerpunkt Forderungserfassung → Winsolvenz mit Legal-Twin-Modul Forderungserfassung
• Einzelfall, kleines Verfahren, eigenes InsO-Rechtswissen vorhanden → Julius AI + Claude , beide nur mit anonymisiertem Export, siehe Datenschutz
• Begründungsentwürfe und Dokumentenanalyse ergänzend → Claude via Bedrock/Enterprise

Datenschutz und Datenhaltung

Insolvenzverfahren sind besonders datensensibel: Buchhaltungsdaten enthalten Personenbezüge (Mitarbeiterlöhne, Kundenidentitäten, Gläubigeradressen), Geschäftsgeheimnisse des Schuldners, und möglicherweise strafrechtlich relevante Informationen, die noch nicht abschließend bewertet sind. Das schafft besondere DSGVO-Anforderungen.

Was du vor dem Upload zwingend klären musst:

• AVV nach Art. 28 DSGVO: Jeder externe KI-Dienstleister, der Insolvenzdaten verarbeitet, braucht einen Auftragsverarbeitungsvertrag. InsoHiwi (deutsches Hosting) und Winsolvenz (EU-Hosting, Septeo) bieten AVV an. Bei Julius AI (US-Hosting) ist AVV für Standardpläne nicht enthalten, für Insolvenzdaten nicht geeignet ohne gesonderte Vereinbarung.
• Claude Consumer-App: Nicht für Insolvenzdaten. Nur über AWS Bedrock Frankfurt oder Google Vertex AI EU mit AVV nutzen.
• Anonymisierung vor dem Upload: Wo möglich, Personenbezüge vor dem Upload entfernen, z. B. Löhne durch Anonymcodes ersetzen, Kundennamen durch neutrale IDs. Das ist nicht immer möglich (Gläubigeridentität ist für Anfechtungsanalyse wesentlich), aber wo es geht, reduziert es das Risiko.
• Berufsrecht, wenn du als Anwältin oder Anwalt arbeitest: Der AVV deckt die Datenschutzseite ab, nicht das Berufsgeheimnis. Ein KI-Anbieter ist Dienstleister im Sinne von § 43e BRAO: Zugang zu fremden Geheimnissen nur, soweit erforderlich (Abs. 1), auf Grundlage eines Vertrags in Textform, der ihn unter Belehrung über die strafrechtlichen Folgen zur Verschwiegenheit verpflichtet (Abs. 3), und bei Verarbeitung im Ausland nur mit einem dem Inland vergleichbaren Geheimnisschutz (Abs. 4). Wer nicht für diese Verpflichtung sorgt, riskiert Strafbarkeit nach § 203 Abs. 4 StGB. Ob die Einwilligung nach § 43e Abs. 5 BRAO nötig ist und wer sie im Insolvenzverfahren erteilt, klärst du mit deiner Rechtsanwaltskammer, das Mandatsverhältnis ist hier anders gebaut als in der Beratung.
• Verfahrensgeheimnis: Insolvenzdaten unterliegen üblicherweise dem Amts- und Berufsgeheimnis des Verwalters. Cloud-Systeme, die auf US-Servern betrieben werden, können unter US-Gerichtsbarkeit zur Herausgabe verpflichtet werden, das Cloud Act ist ein reales Risiko für sensible Verfahrensdaten.

Empfehlung: Für Anfechtungsanalyse nur Anbieter nutzen, die explizit deutsches oder EU-Hosting mit AVV anbieten. Bei Verfahren mit strafrechtlichem Berührungspunkt vorab Rücksprache mit dem zuständigen Gericht oder Staatsanwaltschaft halten.

Was es kostet, realistisch gerechnet

Einmalige Einrichtungskosten

• Spezialsoftware ( InsoHiwi , Winsolvenz Legal Twin): Implementierung und Einrichtung 1–3 Wochen intern, externe Einführungsunterstützung nach Anbieter-Angebot. Schätzungsweise 1.000–5.000 € einmaliger Aufwand, abhängig von Komplexität der Buchführungsschnittstellen
• Generalist-Ansatz ( Julius AI + Claude ): Konfiguration und Prompt-Entwicklung 2–4 Tage intern; keine Einrichtungsgebühren

Laufende Kosten (monatlich)

• InsoHiwi : Subscription auf Anfrage (keine öffentlichen Preise), On-Demand-Analyse als Alternative für seltene Nutzung
• Winsolvenz Legal Twin, Modul Forderungserfassung: Aufpreis auf die bestehende Winsolvenz-Lizenz, auf Anfrage
• Julius AI : 0 € (Freemium) bis 20 USD/Monat (Plus-Plan für größere Datensätze)
• Claude (für Begründungsentwürfe): 20 USD/Monat (Pro) bis 25 USD/Sitz (Team-Plan)

Was du dagegenrechnen kannst In einem mittelgroßen Insolvenzverfahren (Schuldner-Umsatz 5–20 Mio. €) liegt das realistische Anfechtungspotenzial typischerweise zwischen 100.000 und 800.000 €. Wenn eine KI-Analyse die Erkennungsquote von 70 Prozent auf 85 Prozent hebt, eine konservative Einschätzung basierend auf der Vollabdeckungs-Logik regelbasierter Systeme, entspricht das bei 300.000 € Gesamtpotenzial einem Mehrwert von 45.000 € für die Insolvenzmasse. Dem stehen laufende Kosten von einigen Hundert bis wenigen Tausend Euro pro Monat gegenüber.

Hinzu kommt der Zeitfaktor: Eine Verkürzung der Anfechtungsanalyse von fünf Wochen auf eine Woche setzt vier Wochen Kapazität frei, bei einem Verwalter, der vier Verfahren parallel führt, bedeutet das mehr Verfahren pro Jahr oder weniger Hektik und weniger Fristüberschreitungen.

Wie du den Nutzen tatsächlich misst: Vor dem ersten KI-unterstützten Verfahren: Dokumentiere den manuellen Aufwand (Stunden, identifizierte Anfechtungsansprüche, erzielte Rückflüsse) in einem vergleichbaren manuell abgewickelten Verfahren. Nach dem KI-Verfahren: dieselben Metriken. Das ist der einzig belastbare Vergleich, und er gibt dir die Entscheidungsgrundlage für die nächsten Verfahren.

Typische Einstiegsfehler

1. Die KI ohne rechtliche Konfiguration auf die Daten loslassen. Ein allgemeines LLM oder ein Datenwerkzeug wie Julius AI kann Transaktionsdaten strukturieren, aber ohne eingebettete InsO-Rechtslogik (Zeiträume, Tatbestandsmerkmale, Ausnahmen) produziert es nur Muster, keine Anfechtungseinschätzungen. Der häufigste Fehler: Wer den System-Prompt nicht mit den genauen Tatbestandsvoraussetzungen befüllt, bekommt eine Tabellenauswertung, keine juristische Ersteinschätzung. Das führt zu False Positives (hohem Nachprüfaufwand) oder False Negatives (übersehene Ansprüche).

2. Zu schnell vertrauen, zu früh einreichen. Der Befund der Stanford-Untersuchung von 2024 gilt auch hier: Spezialisierte Legal-AI-Systeme produzieren in einem signifikanten Anteil der Fälle fehlerhafte oder unvollständige Einschätzungen, in der Messung lagen die Fehlerquoten je nach Werkzeug bei über 17 bis über 34 Prozent. Wer Anfechtungsschreiben auf Basis von KI-Entwürfen versendet, ohne diese juristisch vollständig zu prüfen, riskiert angreifbare Begründungen, und im schlimmsten Fall Haftungsvorwürfe. Der Grundsatz: KI liefert den Aufmerksamkeitsfunnel, die juristische Entscheidung trifft immer der Verwalter.

3. Schlechte Buchungsqualität ignorieren. Die KI analysiert, was sie vorfindet. Buchungsexporte mit falschen Gegenkonto-Zuordnungen, fehlenden Buchungstexten oder unvollständigen Zeiträumen produzieren systematisch fehlerhafte Ergebnisse, und die Fehler sind oft schwerer zu erkennen als bei manueller Prüfung, weil das System trotzdem mit Selbstsicherheit ein Ergebnis liefert. Vor jedem KI-Einsatz: Buchungsexport auf Vollständigkeit und Strukturqualität prüfen. Bei fragmentierter oder chaotischer Buchführung lohnt eine vollständige Datenbereinigung vor der KI-Analyse.

4. Das Wartungs- und Pflegethema vergessen. InsO-Rechtsprechung ändert sich. BGH-Entscheidungen zu § 133 InsO haben in den letzten Jahren die Praxis erheblich verschoben (Stichwort: Einschränkung der Vorsatzanfechtung durch das Gesetz zur Verbesserung der Rechtssicherheit bei Anfechtungen, in Kraft seit dem 5. April 2017, das unter anderem den Vierjahreszeitraum in § 133 Abs. 2 InsO eingeführt hat). Ein KI-System, das auf der Rechtslogik von 2022 konfiguriert wurde und 2026 unverändert läuft, kann veraltete Einschätzungen liefern. Wer eine eigene Konfiguration aufbaut, muss sie regelmäßig auf aktuelle Rechtsprechungsänderungen prüfen, und das ist kein einmaliger Aufwand.

Was mit der Einführung wirklich passiert, und was nicht

Die Datenanalyse ist der einfache Teil. Die Schwierigkeit liegt woanders.

Das Misstrauen gegenüber dem Ergebnis ist real, und berechtigt. Erfahrene Insolvenzverwalter, die seit Jahren ihrem Erfahrungsurteil vertrauen, werden KI-Ersteinschätzungen zunächst kritisch sehen. Das ist keine irrationale Abwehr, sondern professionell angemessen: Die Haftung liegt bei ihnen, nicht beim KI-System. Was wirklich hilft: keine Ansage, keine Demo, sondern ein paralleler Testlauf. KI analysiert dasselbe Verfahren, das der Verwalter bereits manuell abgeschlossen hat. Dann vergleich Ergebnisse. Wenn die KI zwei Anfechtungsansprüche findet, die manuell übersehen wurden, ist das überzeugender als jedes Pitch-Deck.

Das Datenproblem tritt früher auf als erwartet. In der Planung klingt “CSV-Export aus DATEV” einfach. In der Praxis: Schuldner haben oft mehrere Buchungssysteme, wechselnde Steuerberater, Buchungsperioden mit Lücken. Das erste Verfahren, das man KI-unterstützt analysiert, wird mehrere Tage Datenaufbereitung erfordern. Ab dem zweiten Verfahren weiß man, welche Fragen man dem Steuerberater des Schuldners im Voraus stellen muss.

Die Assistenzkräfte profitieren am stärksten. Wer in der Kanzlei mit der Forderungserfassung beschäftigt ist, spart mit KI-Unterstützung ( Winsolvenz Legal Twin, Modul Forderungserfassung) am meisten Zeit. Die Akzeptanz dort ist typischerweise hoch, die Arbeit wird repetitiver und weniger fehlerträchtig. Wichtig: Frühzeitig einbinden statt überrollen.

Realistischer Zeitplan mit Risikohinweisen

Häufige Einwände, und was dahintersteckt

„Ich hafte für das Ergebnis, ich kann das nicht einer KI überlassen.” Richtig. Und das macht hier niemand. Die KI ist ein strukturierter Aufmerksamkeitsfunnel, keine Entscheidungsinstanz. Der Unterschied zur manuellen Methode: Statt 67.000 Buchungen persönlich zu sichten, bewertest du 200 vorselektierte Fälle, die algorithmisch als anfechtungsrelevant markiert wurden. Die juristische Entscheidung, klagen oder nicht, triffst weiterhin du, mit allen Haftungskonsequenzen. Die KI erhöht die Wahrscheinlichkeit, dass du die richtigen 200 Fälle bekommst.

„Unsere Buchführungsqualität ist zu schlecht für KI.” Das ist der häufigste und ernsteste Einwand, und er ist manchmal berechtigt. Wenn Buchhaltungsexporte fehlerhaft, lückenhaft oder gar nicht vorhanden sind, kann keine KI etwas leisten. Das ist ein Ausschlusskriterium (sieh unten). Aber: Auch manuelle Prüfung versagt bei fehlender Buchführung. Die Frage ist dann nicht KI vs. manuell, sondern: Kann das Verfahren überhaupt wirtschaftlich analysiert werden?

„Das Datenschutzrisiko ist zu groß.” Für Cloud-Anbieter mit US-Hosting ( Claude Consumer-App, Julius AI Standard): Das Argument ist berechtigt, verwende diese für Insolvenzdaten nicht. Für InsoHiwi mit deutschem Hosting oder Winsolvenz mit EU-Hosting: Das Datenschutzargument zieht nicht. AVV ist verfügbar, Hosting ist EU-konform. Der Prüfaufwand ist vergleichbar mit jedem anderen Software-Einsatz im Kanzleibetrieb.

Haftung und Dokumentation: Wann du das KI-Ergebnis nicht blind unterschreiben darfst

Das ist die Sektion, die andere Anbieter gerne weglassen.

Der Insolvenzverwalter haftet nach § 60 InsO persönlich für Schäden, die durch schuldhafte Pflichtverletzungen entstehen. Zu diesen Pflichten zählt: die Insolvenzmasse durch alle zumutbaren rechtlichen Mittel zu maximieren, einschließlich der Geltendmachung von Anfechtungsansprüchen. Wer nachweislich erkennbare Anfechtungsansprüche nicht geltend macht, kann von Gläubigern in Regress genommen werden.

Was das für den KI-Einsatz bedeutet:

Erstens: KI-Analyse schützt dich nur dann vor Haftungsvorwürfen, wenn sie dokumentiert und methodisch nachvollziehbar ist. Ein Anfechtungsprüfbericht muss zeigen, dass du alle relevanten Transaktionen erfasst, nach einem definierten Schema geprüft und begründet entschieden hast, auch wenn du manche als nicht anfechtbar eingestuft hast. Dieser Nachweis ist mit KI leichter zu führen als mit manueller Prüfung, weil das System Protokollierbarkeit bietet.

Zweitens: Ein KI-Ergebnis, das du nicht inhaltlich verstehst und nicht juristisch überprüft hast, ist kein Schutz, es ist eine neue Haftungsquelle. Wer blind auf KI-Ersteinschätzungen vertraut und Anfechtungsklagen einreicht, die bei näherer Prüfung offensichtlich unbegründet sind, hat einen neuen Pflichtverstoß begangen.

Drittens: Halluzinationen bei legal-spezifischen KI-Aufgaben sind dokumentiert. Stanford HAI und RegLab fanden 2024, dass die spezialisierten Werkzeuge Lexis+ AI und Ask Practical Law AI in mehr als 17 Prozent der Abfragen fehlerhafte Informationen lieferten, Westlaw AI-Assisted Research in mehr als 34 Prozent. Für Buchungsdaten-Analyse sind Halluzinationen im LLM-klassischen Sinne weniger relevant, die Zahlen kommen aus dem Export, nicht aus dem Modell. Aber: Falsche rechtliche Einordnungen (welche Norm, welche Frist, welche Ausnahme) sind ein reales Risiko.

Praktische Konsequenz: Führe für jedes KI-unterstützte Verfahren ein Freigabeprotokoll. Es hält fest: Welche Transaktionen wurden der KI übergeben, welche Methodik wurde angewendet, welche KI-Ersteinschätzungen wurden juristisch übernommen oder verworfen und warum. Das ist kein bürokratischer Zusatzaufwand, es ist der Unterschied zwischen einer nachvollziehbaren professionellen Entscheidung und einer nicht vertretbaren Blackbox-Entscheidung.

Woran du merkst, dass das zu dir passt

• Du verwaltest typischerweise mehr als 5 gleichzeitig laufende Regelinsolvenzverfahren und hast das Gefühl, bei der Anfechtungsanalyse systematisch unter Zeitdruck zu geraten
• Dein letztes Verfahren hatte einen Buchungsbestand von mehr als 10.000 Zeilen im maßgeblichen Rückblickzeitraum, der Bereich, ab dem manuelle Vollprüfung unrealistisch wird
• Du nutzt bereits DATEV, SAP oder ein anderes strukturiertes Buchführungssystem, damit ist der Rohdatenzugriff grundsätzlich machbar
• Du glaubst, dass du bei der Erkennung von § 133/134-Fällen systematisch weniger sorgfältig bist als bei den offensichtlicheren § 130/131-Fällen, weil die langen Zeiträume schwer zu überblicken sind
• Deine Assistenzkräfte verbringen signifikante Zeit mit manueller Forderungserfassung in Verfahren mit vielen Gläubigern

Wann es sich (noch) nicht lohnt, drei harte Ausschlusskriterien:

1. Zu wenige komplexe Verfahren. Wer überwiegend Verbraucherinsolvenzen oder sehr kleine Regelverfahren verwaltet (Schuldner ohne nennenswerte Unternehmenstätigkeit), hat schlicht kein signifikantes Anfechtungspotenzial. Die KI-Analyse kostet Einrichtungsaufwand, der sich bei Verfahren mit 5.000 Buchungen und klarer Gläubigerstruktur schlicht nicht rechnet.

2. Keine auswertbare Buchführung vorhanden. Wenn der Schuldner die Buchführung nicht geführt hat oder die Unterlagen vernichtet wurden: KI hat keine Grundlage für Analyse. Manuell auch nicht. Das ist dann ein Problem der Sachverhaltsermittlung, kein Fall für ein Analysetool.

3. Kein juristisches Know-how für Anfechtungsrecht im eigenen Haus. KI-gestützte Anfechtungsanalyse setzt voraus, dass du die Ergebnisse juristisch bewerten kannst. Wer keine tiefe Spezialisierung auf §§ 130 ff. InsO hat, sollte die KI-Analyse nur in Verbindung mit einem spezialisierten Insolvenzrechtler nutzen, nicht als Ersatz für fehlendes Fachwissen.

Das kannst du heute noch tun

Lade einen DATEV- oder SAP-CSV-Export aus einem bereits abgeschlossenen Verfahren herunter, ein Verfahren, das du gut kennst und das eine überschaubare Größe hat. Ersetze vor dem Upload Namen, Kontonummern und Verwendungszwecke durch neutrale IDs, denn auch ein abgeschlossenes Verfahren bleibt Berufsgeheimnis. Öffne Claude und füge den anonymisierten Export ein. Echte, nicht anonymisierte Verfahrensdaten gehören nur in den Zugang über Bedrock oder Vertex mit AVV und Verschwiegenheitsvereinbarung, nicht in Pro oder Team.

Nutze diesen Prompt als Ausgangspunkt:

Quellen & Methodik

• § 130 InsO, kongruente Deckung: drei Monate vor dem Eröffnungsantrag, Voraussetzungen kumulativ (Zahlungsunfähigkeit und Kenntnis des Gläubigers); Kenntnisvermutung gegenüber nahestehenden Personen nach Abs. 3 (gesetze-im-internet.de/inso/__130.html, abgerufen am 18.09.2026).
• § 131 InsO, inkongruente Deckung: gestaffelt, letzter Monat ohne Zusatzvoraussetzung, zweiter und dritter Monat nur bei Zahlungsunfähigkeit oder Kenntnis der Benachteiligung (gesetze-im-internet.de/inso/__131.html, abgerufen am 18.09.2026).
• § 133 InsO, Vorsatzanfechtung: zehn Jahre nach Abs. 1 Satz 1, vier Jahre nach Abs. 2 bei einer Deckung, die der andere Teil beanspruchen konnte; Sonderregel für nahestehende Personen in Abs. 4 mit Zweijahresgrenze (gesetze-im-internet.de/inso/__133.html, abgerufen am 18.09.2026).
• § 134 InsO, unentgeltliche Leistungen: vier Jahre (gesetze-im-internet.de/inso/__134.html, abgerufen am 18.09.2026).
• § 135 InsO, Gesellschafterdarlehen: Sicherung zehn Jahre (Abs. 1 Nr. 1), Befriedigung ein Jahr (Abs. 1 Nr. 2) (gesetze-im-internet.de/inso/__135.html, abgerufen am 18.09.2026).
• § 139 Abs. 1 InsO, Fristbeginn mit dem Anfang des Tages, der durch seine Zahl dem Tag des Antragseingangs beim Insolvenzgericht entspricht (gesetze-im-internet.de/inso/__139.html, abgerufen am 18.09.2026).
• § 142 InsO, Bargeschäft: nur anfechtbar bei Vorliegen des § 133 Abs. 1 bis 3 InsO und erkannter Unlauterkeit; Unmittelbarkeit nach Abs. 2, beim Arbeitsentgelt bis zu drei Monate (gesetze-im-internet.de/inso/__142.html, abgerufen am 18.09.2026).
• § 146 Abs. 1 InsO, einheitliche Verjährung aller Anfechtungsansprüche nach den Regeln über die regelmäßige Verjährung des BGB (gesetze-im-internet.de/inso/__146.html, abgerufen am 18.09.2026).
• § 174 InsO und § 28 Abs. 1 InsO, Forderungsanmeldung schriftlich beim Insolvenzverwalter unter Angabe von Grund und Betrag; die Anmeldefrist setzt das Gericht auf mindestens zwei Wochen und höchstens drei Monate fest; nachträgliche Anmeldungen regelt § 177 InsO, ein besonderer Prüfungstermin geht dort auf Kosten des Säumigen (§ 174, § 28, abgerufen am 18.09.2026).
• § 60 InsO, Haftung des Insolvenzverwalters: Schadenersatz bei schuldhafter Pflichtverletzung, Sorgfalt eines ordentlichen und gewissenhaften Insolvenzverwalters (gesetze-im-internet.de/inso/__60.html, abgerufen am 18.09.2026).
• Septeo (STP Informationstechnologie): Produktankündigung zu AI Smart Claims für Winsolvenz, 5. September 2024. Zitat: “Kanzleien, die AI Smart Claims bereits getestet haben, berichten, dass es ihnen gelungen ist bis zu zwei Drittel ihrer Bearbeitungszeit bei der Forderungserfassung einzusparen.” Anbieterangabe, keine unabhängige Messung (itiko.de, abgerufen am 18.09.2026).
• Dr. Sophia Fälschle, Hoffmann Liebs, Düsseldorf: “Künstliche Intelligenz in der Krisenberatung (Teil 1)”, Deutscher Anwalt Spiegel. Praxisbeitrag zu KI-Anwendungen bei StaRUG-Verfahren, Vertragsportfolio-Screening und Finanzmodell-Prüfung, keine Erhebung. Die Autorin ist als Associate bei Hoffmann Liebs geführt (überprüft am 18.09.2026).
• Stanford HAI und RegLab, Magesh et al.: “AI on Trial: Legal Models Hallucinate in 1 out of 6 (or More) Benchmarking Queries”, 23. Mai 2024. Lexis+ AI und Ask Practical Law AI lieferten in mehr als 17 Prozent der Abfragen fehlerhafte Informationen, Westlaw AI-Assisted Research in mehr als 34 Prozent (hai.stanford.edu, abgerufen am 18.09.2026).
• § 43e BRAO, Inanspruchnahme von Dienstleistungen: Erforderlichkeit (Abs. 1), Vertrag in Textform mit Verschwiegenheitsverpflichtung und Belehrung über die strafrechtlichen Folgen (Abs. 3), vergleichbarer Geheimnisschutz im Ausland (Abs. 4), Einwilligung des Mandanten bei Dienstleistungen, die unmittelbar einem einzelnen Mandat dienen (Abs. 5) (gesetze-im-internet.de/brao/__43e.html, abgerufen am 19.09.2026).
• Toolangaben: Stand unserer Toolseiten, siehe InsoHiwi , Winsolvenz , Julius AI und Claude . InsoHiwi und Winsolvenz nennen keine öffentlichen Preise.
• Nicht belegbar und deshalb nicht mehr auf dieser Seite: “20.000 bis 100.000 relevante Buchungszeilen” für mittelgroße Verfahren, “4 bis 8 Wochen” manuelle Analyse, eine Trefferquote manueller Prüfungen von “60 bis 80 Prozent”, eine Abdeckungsquote der KI von “85 bis 95 Prozent” und ein Bericht in einer “Fachzeitschrift Insolvenzrecht”. Frühere Fassungen dieser Seite führten diese Angaben als Praxiserfahrung.
• Keine Rechtsberatung. Dieser Text ordnet Normen ein, er ersetzt keine Prüfung des Einzelfalls.

Du verwaltest Insolvenzverfahren und fragst dich, ob der KI-Einsatz in deinem konkreten Portfolio sinnvoll wäre? Meld dich, wir besprechen das anhand deiner tatsächlichen Verfahrensstruktur, nicht anhand von Beispielen.